CN110112779B - 基于多状态概率分布的电采暖消纳风电测算模型 - Google Patents
基于多状态概率分布的电采暖消纳风电测算模型 Download PDFInfo
- Publication number
- CN110112779B CN110112779B CN201910409078.1A CN201910409078A CN110112779B CN 110112779 B CN110112779 B CN 110112779B CN 201910409078 A CN201910409078 A CN 201910409078A CN 110112779 B CN110112779 B CN 110112779B
- Authority
- CN
- China
- Prior art keywords
- wind power
- load
- wind
- electric heating
- heating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005485 electric heating Methods 0.000 title claims abstract description 63
- 238000004364 calculation method Methods 0.000 title claims description 15
- 230000029087 digestion Effects 0.000 title claims description 5
- 238000005259 measurement Methods 0.000 title claims description 5
- 238000010438 heat treatment Methods 0.000 claims abstract description 84
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 238000010248 power generation Methods 0.000 claims description 39
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 239000003245 coal Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了基于多状态概率分布的电采暖消纳风电测算模型,包括以下步骤:S1:电采暖负荷与风电出力对应关系分析,风电出力主要取决于自然环境条件,电采暖负荷的大小主要受温度影响,夜间温度降低时取暖用电需求相应上升;S2:测算模型;大量的电采暖负荷通过为风电创造并网空间而有效缓解了低谷负荷时段的弃风限电问题,为此采暖负荷对于促进风电消纳的作用可以通过弃风率的降低来体现;S3:基本数据,以我国北方某风资源富集城市A市为例进行计算。本发明的模型更加科学合理,能够得知煤改电导致的新增电采暖负荷与相应新增风电出力均主要集中于夜间负荷低谷时段,新增电采暖负荷与新增风电之间并非一一对应的关系。
Description
技术领域
本发明涉及电采暖领域,具体是基于多状态概率分布的电采暖消纳风电测算模型。
背景技术
近年来,虽然我国整体弃风形势有所好转,但随着风电装机规模的不断扩大和电力消费需求增速的逐步放缓,我国北方部分风资源富集地区的风电消纳情况仍不容乐观,与此同时,在大气污染治理的紧迫要求下,北方地区不断加快推进“煤改电”改造工程,冬季采暖用电量大幅上升,这无疑为风电提供了更多可能的消纳空间,利用风电进行供暖不仅能有效减轻化石能源燃烧造成的环境污染,同时也对提高风能丰富地区的风电消纳能力具有重要意义。
风电的消纳能力受到系统调峰能力、电网输送能力、并网技术以及调度运行水平等多方面的影响,其中最主要的影响因素是系统调峰能力,大规模电采暖负荷的接入主要是通过增加系统的调峰裕度,提高了电网对风电的消纳潜力,从而有效缓解了弃风限电问题,为准确刻画采暖负荷的接入对于减少弃风的贡献作用,需建立模型来测算风电消纳能力的变化。
近年来北方地区不断加大“煤改电”改造力度,伴随着风电供暖市场机制的建立和完善,大规模的新增电采暖负荷为富余风电提供了一定的消纳空间。
发明内容
本发明的目的在于提供基于多状态概率分布的电采暖消纳风电测算模型,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于多状态概率分布的电采暖消纳风电测算模型,包括以下步骤:
S1:电采暖负荷与风电出力对应关系分析;风电出力主要取决于自然环境条件,电采暖负荷的大小主要受温度影响,夜间温度降低时取暖用电需求相应上升,采暖季特别是夜间负荷低谷时段的采暖负荷与风电出力表现出了一定的时间匹配性,增加电采暖供热电量可以在很大程度上减小弃风电量,为提高系统对风电的消纳潜力作出重要贡献,风电增发出力集中在夜间风力较大时段,而新增采暖负荷也主要分布于夜间低温范围内,由此可以看出风电增发出力与新增电采暖负荷之间的确存在着一定的相关性,但二者之间并非一一对应的关系;
S2:测算模型;大量的电采暖负荷通过为风电创造并网空间而有效缓解了低谷负荷时段的弃风限电问题,为此采暖负荷对于促进风电消纳的作用可以通过弃风率的降低来体现,具体表示为:从式中可以看出,模型的关键问题在于对有、无调峰约束下的风力发电量的计算,在得到无调峰约束下的理论最大风力发电量和采暖负荷接入前后实际风力发电量的基础上,即可代入式计算电采暖负荷所贡献的弃风降低率,风电出力具有随机性和波动性,其在不同时刻下的出力状态具有多种可能性,这种可能性可以通过概率分布来进行描述,称为多状态概率分布,依据大量风电历史出力数据,可以得到风电在不同状态下的概率分布情况,其中风电出力在t时刻处于k状态下的概率可以表示为:P(k)t(k=1,2,…,n),全天的风力发电量即为:采暖季的风力发电总量等于各日发电量之和,但风电的出力特性在采暖季不同日具有显著差异,为简化计算过程,可以首先依据近几年各日平均风力发电功率进行K-means聚类,将整个采暖季划分为多个不同的模拟区间:初始化,确定采暖季所有日的聚类数目m和初始聚类中心Sr(I),r=1,2,…,m,计算各日样本距m个初始中心点的欧式距离,按照距离大小将样本分配给最近的中心点,形成m个聚类欧式距离的表达式为:将采暖季各日按照平均风电出力数据分配至与之相距最近的聚类中心,并在此基础上计算每一聚类区间内日风电出力均值,并以此作为m个新的聚类中心,记作Sr(I+1),当|Sr(I+1)-Sr(I)|满足给定精度要求时,聚类算法结束,通过以上K-means聚类将采暖季共分成m个模拟区间,每个区间包含Dm天,并在各区间内选取聚类中心作为典型日来代表整个区间,在此基础上,可以得到无调峰约束下的采暖季理论最大风力发电量为:在实际运行中,电力系统对于大规模风电的接纳能力主要取决于系统调峰容量,即总负荷需求与常规机组最小出力之差,并且当在运行常规机组处于最小出力水平时风电达到出力上限,定义t时刻系统调峰容量为Ct:若t时刻的风电可能出力小于此时系统的调峰容量,风电可以被全部消纳;一旦风电出力大于系统调峰容量,就必须采取弃风限电的措施,由此可以得到在电网调峰约束下,采暖季的风电实际消纳量Q为:电采暖负荷接入电力系统后,将增大系统的调峰裕度,此时调峰容量变为:相应的采暖季风电实际消纳量Q′应变化为:结合上式即可求出电采暖负荷接入后的系统弃风降低率;其中β:弃风降低率;Qd:全天风力发电量;Q′和Q代表有、无调峰约束下的风力发电量;P(k)t风电出力在t时刻处于k状态下的概率;平均风力发电功率最大风力发电量Qmax;系统调峰容量为Ct;采暖季风电实际消纳量Q′
S3:基本数据,以我国北方某风资源富集城市A市为例进行计算,装机容量,A市现有大型上网火电机组共计18台,装机总量为485万千瓦,截至2017年底,A市风电装机总量达到347万千瓦,其中采暖季火电机组的最小技术出力统一按照机组容量的70%考虑,多状态概率分布情况,依据2015-2017年A市风电出力历史出力数据,采用K-means算法将采暖季各日划分为4个聚类区间,并选取各聚类中心作为本区间典型日代表,本算例所得典型日分别为11月12日、1月2日、1月17日、2月25日,以11月12日为例,通过对该日风电历史出力数据进行统计分析,可得到全天各时段风电出力的多状态概率分布表,弃风率计算结果,无调峰约束下风电理论消纳量:将以上数据代入S2中式,分析得出在不考虑调峰约束下的采暖季风电理论最大发电量为Qmax=125.2亿千瓦时,再通过计算采暖负荷增加前后且计及系统调峰约束下的风电实际消纳量即可得到弃风率降低结果,有调峰约束下风电实际消纳量:新增采暖负荷之前,风电实际接纳量Q=101.8亿千瓦时,此时弃风率为18.7%。
优选的,所述S2式中β代表因新增电采暖负荷而导致的弃风降低率,Qmax为无调峰约束时的采暖季风电理论可发最大电量,Q为电采暖负荷接入前且有调峰约束时的实际风力发电量,Q′为电采暖负荷接入后且有调峰约束时的实际风力发电量。
优选的,所述S2式中Qd为全天总风力发电量,W(k)t为t时刻处于k状态下的发电功率。
优选的,所述S2式中W(k)mt和P(k)mt分别代表第m个区间内在t时刻下所对应的第k种可能发电功率和概率。
优选的,所述S2式中Lt为t时刻负荷需求,Pjmin为第j个常规机组的最小技术出力,x为系统中常规机组的个数,Ijt为此时第j个机组的运行状态1:运行,0:停机,δs为平均网损率,αh为火电厂平均厂用电率,αw为风电场平均厂用电率。
优选的,所述S2式中ΔLt为t时刻新增的电采暖负荷,C′t为增加电采暖负荷后的系统调峰容量。
优选的,所述S3中在新增电采暖负荷的贡献下,A地区新增风力发电量高达至13.8亿千瓦时,弃风降低率β=11%。
优选的,所述S3中计算2018年采暖季A市新增电采暖用电量共计20.16亿度,将各典型日新增电采暖负荷数据代入式,计算得到对应的风电实际接纳量将增大为115.6亿千瓦时,此时弃风率为7.7%。
与现有技术相比,本发明的有益效果是:煤改电导致的新增电采暖负荷与相应新增风电出力均主要集中于夜间负荷低谷时段,二者在时间上具有一定的匹配性,为风电供暖提供了重要的源荷匹配基础,新增电采暖负荷与新增风电之间并非一一对应的关系,建立的基于多状态概率分布的电采暖消纳风电测算模型,通过设立并计算弃风降低率指标β,可以定量描述采暖负荷对解决风电消纳的贡献作用,算例通过对比有无调峰约束下以及采暖负荷接入前后的系统风电消纳量,验证了模型的有效性,证实了采暖负荷的增加能够在一定程度上降低系统的弃风率。
附图说明
图1为本发明的测算模型框架图;
图2为本发明的2017-2018年北方某地区冬季日平均新增采暖负荷与新增风电出力曲线图;
图3为本发明的A地区采暖季典型日新增电采暖负荷曲线图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1、图2与图3,本发明提供一种技术方案:基于多状态概率分布的电采暖消纳风电测算模型,包括以下步骤:
S1:电采暖负荷与风电出力对应关系分析;风电出力主要取决于自然环境条件,电采暖负荷的大小主要受温度影响,夜间温度降低时取暖用电需求相应上升,采暖季特别是夜间负荷低谷时段的采暖负荷与风电出力表现出了一定的时间匹配性,增加电采暖供热电量可以在很大程度上减小弃风电量,为提高系统对风电的消纳潜力作出重要贡献,由图2可知,风电增发出力集中在夜间风力较大时段,而新增采暖负荷也主要分布于夜间低温范围内,由此可以看出风电增发出力与新增电采暖负荷之间的确存在着一定的相关性,但二者之间并非一一对应的关系;
S2:测算模型;大量的电采暖负荷通过为风电创造并网空间而有效缓解了低谷负荷时段的弃风限电问题,为此采暖负荷对于促进风电消纳的作用可以通过弃风率的降低来体现,具体表示为:从式中可以看出,模型的关键问题在于对有、无调峰约束下的风力发电量的计算,在得到无调峰约束下的理论最大风力发电量和采暖负荷接入前后实际风力发电量的基础上,即可代入式计算电采暖负荷所贡献的弃风降低率,风电出力具有随机性和波动性,其在不同时刻下的出力状态具有多种可能性,这种可能性可以通过概率分布来进行描述,称为多状态概率分布,依据大量风电历史出力数据,可以得到风电在不同状态下的概率分布情况,其中风电出力在t时刻处于k状态下的概率可以表示为:P(k)t(k=1,2,…,n),全天的风力发电量即为:采暖季的风力发电总量等于各日发电量之和,但风电的出力特性在采暖季不同日具有显著差异,为简化计算过程,可以首先依据近几年各日平均风力发电功率进行K-means聚类,将整个采暖季划分为多个不同的模拟区间:初始化,确定采暖季所有日的聚类数目m和初始聚类中心Sr(I),r=1,2,…,m,计算各日样本距m个初始中心点的欧式距离,按照距离大小将样本分配给最近的中心点,形成m个聚类欧式距离的表达式为:将采暖季各日按照平均风电出力数据分配至与之相距最近的聚类中心,并在此基础上计算每一聚类区间内日风电出力均值,并以此作为m个新的聚类中心,记作Sr(I+1),当|Sr(I+1)-Sr(I)|满足给定精度要求时,聚类算法结束,通过以上K-means聚类将采暖季共分成m个模拟区间,每个区间包含Dm天,并在各区间内选取聚类中心作为典型日来代表整个区间,在此基础上,可以得到无调峰约束下的采暖季理论最大风力发电量为:在实际运行中,电力系统对于大规模风电的接纳能力主要取决于系统调峰容量,即总负荷需求与常规机组最小出力之差,并且当在运行常规机组处于最小出力水平时风电达到出力上限,定义t时刻系统调峰容量为Ct:若t时刻的风电可能出力小于此时系统的调峰容量,风电可以被全部消纳;一旦风电出力大于系统调峰容量,就必须采取弃风限电的措施,由此可以得到在电网调峰约束下,采暖季的风电实际消纳量Q为:电采暖负荷接入电力系统后,将增大系统的调峰裕度,此时调峰容量变为:相应的采暖季风电实际消纳量Q′应变化为:结合上式即可求出电采暖负荷接入后的系统弃风降低率,所述S2式中β代表因新增电采暖负荷而导致的弃风降低率,Qmax为无调峰约束时的采暖季风电理论可发最大电量,Q为电采暖负荷接入前且有调峰约束时的实际风力发电量,Q′为电采暖负荷接入后且有调峰约束时的实际风力发电量;式中Qd为全天总风力发电量,W(k)t为t时刻处于k状态下的发电功率;式中W(k)mt和P(k)mt分别代表第m个区间内在t时刻下所对应的第k种可能发电功率和概率;式中Lt为t时刻负荷需求,Pjmin为第j个常规机组的最小技术出力,x为系统中常规机组的个数,Ijt为此时第j个机组的运行状态1:运行,0:停机,δs为平均网损率,αh为火电厂平均厂用电率,αw为风电场平均厂用电率;式中ΔLt为t时刻新增的电采暖负荷,C′t为增加电采暖负荷后的系统调峰容量;
S3:基本数据,以我国北方某风资源富集城市A市为例进行计算,装机容量,A市现有大型上网火电机组共计18台,装机总量为485万千瓦,其中不同容量火电机组的数量如下表1所示:
表1 A市火电机组装机容量及数量
截至2017年底,A市风电装机总量达到347万千瓦,其中采暖季火电机组的最小技术出力统一按照机组容量的70%考虑,运行参数如下表2所示:
表2 A市采暖季平均运行参数情况
多状态概率分布情况,依据2015-2017年A市风电出力历史出力数据,采用K-means算法将采暖季各日划分为4个聚类区间,并选取各聚类中心作为本区间典型日代表,本算例所得典型日分别为11月12日、1月2日、1月17日、2月25日,以11月12日为例,通过对该日风电历史出力数据进行统计分析,可得到全天各时段风电出力的多状态概率分布表,以18时为例的结果如表3所示,其余各典型日在不同时段的多状态概率分布情况可参考下表得到:
表3 A市某典型日18时风电出力多状态概率分布
弃风率计算结果,无调峰约束下风电理论消纳量:将以上数据代入S2中式,分析得出在不考虑调峰约束下的采暖季风电理论最大发电量为Qmax=125.2亿千瓦时,再通过计算采暖负荷增加前后且计及系统调峰约束下的风电实际消纳量即可得到弃风率降低结果,有调峰约束下风电实际消纳量:新增采暖负荷之前,风电实际接纳量Q=101.8亿千瓦时,此时弃风率为18.7%,在新增电采暖负荷的贡献下,A地区新增风力发电量高达至13.8亿千瓦时,弃风降低率β=11%;2018年采暖季A市新增电采暖用电量共计20.16亿度,将各典型日新增电采暖负荷数据代入式,计算得到对应的风电实际接纳量将增大为115.6亿千瓦时,此时弃风率为7.7%。
通过对上述实施例可知,煤改电导致的新增电采暖负荷与相应新增风电出力均主要集中于夜间负荷低谷时段,二者在时间上具有一定的匹配性,为风电供暖提供了重要的源荷匹配基础,新增电采暖负荷与新增风电之间并非一一对应的关系,建立的基于多状态概率分布的电采暖消纳风电测算模型,通过设立并计算弃风降低率指标β,可以定量描述采暖负荷对解决风电消纳的贡献作用,算例通过对比有无调峰约束下以及采暖负荷接入前后的系统风电消纳量,验证了模型的有效性,证实了采暖负荷的增加能够在一定程度上降低系统的弃风率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.基于多状态概率分布的电采暖消纳风电测算模型,其特征在于,包括以下步骤:
S1:电采暖负荷与风电出力对应关系分析;风电出力主要取决于自然环境条件,电采暖负荷的大小主要受温度影响,夜间温度降低时取暖用电需求相应上升,采暖季特别是夜间负荷低谷时段的采暖负荷与风电出力表现出了一定的时间匹配性,增加电采暖供热电量可以在很大程度上减小弃风电量,为提高系统对风电的消纳潜力作出重要贡献,风电增发出力集中在夜间风力较大时段,而新增采暖负荷也主要分布于夜间低温范围内,由此可以看出风电增发出力与新增电采暖负荷之间的确存在着一定的相关性,但二者之间并非一一对应的关系;
S2:测算模型;大量的电采暖负荷通过为风电创造并网空间而有效缓解了低谷负荷时段的弃风限电问题,为此采暖负荷对于促进风电消纳的作用可以通过弃风率的降低来体现,具体表示为:式中β代表因新增电采暖负荷而导致的弃风降低率,Q′和Q代表有、无调峰约束下的风力发电量,Qmax代表最大风力发电量,从式中可以看出,模型的关键问题在于对有、无调峰约束下的风力发电量的计算,在得到无调峰约束下的理论最大风力发电量和采暖负荷接入前后实际风力发电量的基础上,即可代入式计算电采暖负荷所贡献的弃风降低率,风电出力具有随机性和波动性,其在不同时刻下的出力状态具有多种可能性,这种可能性可以通过概率分布来进行描述,称为多状态概率分布,依据大量风电历史出力数据,可以得到风电在不同状态下的概率分布情况,其中风电出力在t时刻处于k状态下的概率可以表示为:P(k)t(k=1,2,…,n),全天的风力发电量即为:式中Qd代表全天总风力发电量,W(k)t为t时刻处于k状态下的发电功率,采暖季的风力发电总量等于各日发电量之和,但风电的出力特性在采暖季不同日具有显著差异,为简化计算过程,可以首先依据近几年各日平均风力发电功率进行K-means聚类,将整个采暖季划分为多个不同的模拟区间:初始化,确定采暖季所有日的聚类数目m和初始聚类中心Sr(I),r=1,2,…,m,计算各日样本距m个初始中心点的欧式距离,按照距离大小将样本分配给最近的中心点,形成m个聚类欧式距离的表达式为:将采暖季各日按照平均风电出力数据分配至与之相距最近的聚类中心,并在此基础上计算每一聚类区间内日风电出力均值,并以此作为m个新的聚类中心,记作Sr(I+1),当|Sr(I+1)-Sr(I)|满足给定精度要求时,聚类算法结束,通过以上K-means聚类将采暖季共分成m个模拟区间,每个区间包含Dm天,并在各区间内选取聚类中心作为典型日来代表整个区间,在此基础上,可以得到无调峰约束下的采暖季理论最大风力发电量为:式中Qmax代表最大风力发电量,W(k)mt和P(k)mt分别代表第m个区间内在t时刻下所对应的第k种可能发电功率和概率,在实际运行中,电力系统对于大规模风电的接纳能力主要取决于系统调峰容量,即总负荷需求与常规机组最小出力之差,并且当在运行常规机组处于最小出力水平时风电达到出力上限,定义t时刻系统调峰容量为Ct:式中Lt为t时刻负荷需求,Pjmin为第j个常规机组的最小技术出力,x为系统中常规机组的个数,Ijt为此时第j个机组的运行状态(1:运行,0:停机),δs为平均网损率,αh为火电厂平均厂用电率,αw为风电场平均厂用电率,若t时刻的风电可能出力小于此时系统的调峰容量,风电可以被全部消纳;一旦风电出力大于系统调峰容量,就必须采取弃风限电的措施,由此可以得到在电网调峰约束下,采暖季的风电实际消纳量Q为:电采暖负荷接入电力系统后,将增大系统的调峰裕度,此时调峰容量变为:式中ΔLt为t时刻新增的电采暖负荷,相应的采暖季风电实际消纳量Q′应变化为:式中C′t为增加电采暖负荷后的系统调峰容量,结合上式即可求出电采暖负荷接入后的系统弃风降低率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409078.1A CN110112779B (zh) | 2019-05-17 | 2019-05-17 | 基于多状态概率分布的电采暖消纳风电测算模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409078.1A CN110112779B (zh) | 2019-05-17 | 2019-05-17 | 基于多状态概率分布的电采暖消纳风电测算模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110112779A CN110112779A (zh) | 2019-08-09 |
CN110112779B true CN110112779B (zh) | 2020-11-24 |
Family
ID=67490511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910409078.1A Expired - Fee Related CN110112779B (zh) | 2019-05-17 | 2019-05-17 | 基于多状态概率分布的电采暖消纳风电测算模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110112779B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826778B (zh) * | 2019-10-23 | 2023-07-07 | 上海电机学院 | 一种主动适应新能源发展的负荷特性优化计算方法 |
CN111598612B (zh) * | 2020-04-28 | 2023-04-18 | 西安理工大学 | 一种分时电价制定方法 |
CN112003329B (zh) * | 2020-08-28 | 2022-05-06 | 国网山东省电力公司电力科学研究院 | 一种基于全局能耗优化的火电机组调峰调控方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004064941A (ja) * | 2002-07-31 | 2004-02-26 | Hitachi Ltd | 分散電源解析システム |
CN106410859B (zh) * | 2015-07-28 | 2019-04-05 | 中国电力科学研究院 | 一种基于随机生产模拟的新能源并网接纳能力计算方法 |
CN107508328A (zh) * | 2017-04-08 | 2017-12-22 | 东北电力大学 | 考虑风电消纳的联合系统能量优化方法 |
CN107679679A (zh) * | 2017-11-20 | 2018-02-09 | 国网辽宁省电力有限公司电力科学研究院 | 联合发电机组调度运行方法 |
-
2019
- 2019-05-17 CN CN201910409078.1A patent/CN110112779B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN110112779A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
Yuan et al. | Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming | |
CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
CN103296679B (zh) | 电力系统中长期优化运行的中长期风电出力模型建模方法 | |
Hong et al. | Optimal sizing of hybrid wind/PV/diesel generation in a stand-alone power system using Markov-based genetic algorithm | |
CN110112779B (zh) | 基于多状态概率分布的电采暖消纳风电测算模型 | |
CN110620397B (zh) | 一种高比例可再生能源电力系统的调峰平衡评估方法 | |
CN111030189A (zh) | 一种风电和光伏消纳预测预警方法 | |
Yi et al. | The spatial deployment of renewable energy based on China’s coal-heavy generation mix and inter-regional transmission grid | |
CN112994115A (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
CN112491043A (zh) | 一种新能源富集电网电源规划方法及系统 | |
CN111144655A (zh) | 一种分布式电源选址定容与配电网网架联合优化方法 | |
CN109888770A (zh) | 基于机会约束规划和波动成本的风电场装机容量优化方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
CN113991640B (zh) | 基于火电的多能互补能源基地能源配置规划方法 | |
CN108847661B (zh) | 一种区域电力系统全年生产模拟运行方法及系统 | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
CN112994087B (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN117993611A (zh) | 一种基于场景时序的灵活热源新能源消纳能力评估方法 | |
CN117937531A (zh) | 一种电氢可逆微网长期容量优化方法、系统、设备及介质 | |
CN113255982A (zh) | 一种风光水互补系统中长期优化调度方法 | |
Zhao et al. | Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System | |
CN116316869A (zh) | 兼顾日内电力与日间电量的流域水光中期互补调度方法 | |
CN114240203A (zh) | 一种包含热泵的配电网与分布式风电协同规划方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |